.png){kind=icon}
返回
Machine Learning-Driven Design Optimization for Lightweight Structures: A Review
.png){kind=icon}
PRE
AI
DOI：10.1007/s40684-026-00894-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）已作为一种强大的范式应用于轻量化结构的设计与优化，相比传统的仿真驱动或规则基础方法具有显著优势。本文综述了机器学习方法论的最新进展，包括监督学习、无监督与生成建模以及强化学习（RL），并评估了它们在预测结构响应、生成候选几何形状和导航约束多目标设计空间中的作用。这些方法的核心在于几何表示，我们考察了基于点、基于向量以及基于图像或体素的编码方式，这些方式能够支持轻质结构、细胞材料和结构化超材料等多样化结构形式的高效学习。我们进一步比较了将机器学习代理、生成模型或强化学习策略与外部搜索算法相结合的优化策略，强调了这些方法如何提高计算效率并扩展可及设计空间，超越传统拓扑优化。综述还概述了物理信息学习、潜在空间优化和扩散生成等新兴趋势，这些趋势在规定的机械或制造约束下提供了可控的结构合成。最后，我们讨论了通过增材制造实现的机器学习优化设计的实验验证，强调了模型校准、场级比较和可制造性感知设计循环对于弥合数字预测与物理性能的重要性。总体而言，本综述为理解机器学习驱动的轻量化设计提供了一个统一的框架，并为可扩展、数据高效和实验验证的结构优化提供了未来机遇。
Keyword:
lightweight structures
design optimization
geometry representation
machine learning
期刊
机构
引用论文
Data-Driven Design for Metamaterials and Multiscale Systems: A Review超材料和多尺度系统的数据驱动设计: 综述.png)
ADVANCED MATERIALS
OAAI
ADVANCED MATERIALSIF26.8
OAAI分享收藏Utilizing Powder Bed Fusion Additive Manufacturing Technology to Fabricate Parts with Controlled Porosity and Permeability Characteristics for Filtration Applications利用粉末床熔融增材制造技术制备具有可控孔隙率和渗透性特征的过滤用零件
OAAI
OAAI分享收藏Inverse design of non-parametric acoustic metamaterials via transfer-learned dual variational autoencoder with latent space-based data augmentation基于迁移学习双变分自编码器及隐空间数据增强的非参数声学超材料的逆向设计
PREAI
分享收藏Machine-specified ground structures for topology optimization of binary trusses using graph embedding policy network使用图嵌入策略网络对二元桁架进行拓扑优化的机器指定地面结构
PREAI
分享收藏分享收藏Equivalent homogenization design method for stretching-bending hybrid lattice structures拉伸-弯曲混合格栅结构的等效均匀化设计方法
PREAI
分享收藏
查看更多内容